Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "single objective optimization problems" wg kryterium: Temat


Wyświetlanie 1-1 z 1
Tytuł:
Studium przypadku skuteczności nowych metod optymalizacji roju w porównaniu do metod znanych
Autorzy:
Baumgart, Jan
Sangho, Belco
Powiązania:
https://bibliotekanauki.pl/articles/41206153.pdf
Data publikacji:
2021
Wydawca:
Uniwersytet Kazimierza Wielkiego w Bydgoszczy
Tematy:
algorytm roju
wzorce
inspirowanie naturą
metaheurystyka
pojedyncze obiektywne problemy optymalizacji
optymalizacja funkcji
algorytmy optymalizacji
swarm algorithm
patterns
inspired by nature
metaheuristics
single objective optimization problems
function optimization
optimization algorithms
Opis:
Porównianie skuteczności nowych metod optymalizacji roju w porównaniu z metodami znanymi w dziedzinie. Inspirowane naturą algorytmy metaheurystyczne stają się coraz bardziej popularne w rozwiązywaniu problemów optymalizacyjnych. Dzięki ich popularności niemal codziennie możemy zobaczyć nowepodejścia i proponowane rozwiązania. W tym artykule przedstawię porównanie, które pokaże kilka najnowszychprac z tej dziedziny w porównaniu z niektórymi algorytmami traktowanymi jako podstawa dziedziny. Głównymcelem było porównanie ostatnio wprowadzonych algorytmów roju i określenie, kiedy nowe rozwiązania są faktycznie szybsze i bardziej precyzyjne. Podsumowując, czy przetestowane nowe podejścia są lepsze niż obecne,dobrze znane i ugruntowane w terenie algorytmy. Algorytmy brane pod uwagę w tej pracy to: Particle SwarmOptimization [5], Artifical Bee Colony [3], Elephant Herding Optimization [7], Whale Optimization [4] i Gras-shopper Optimization [6].Algorytmy uznawane za nowe w tej dziedzinie porównano z dwoma popularnymi idobrze znanymi algorytmami metaheurystycznymi pod względem dokładności znalezionych rozwiązań i szybkości. Zgodnie z wynikami eksperymentów większość porównywanych nowych algorytmów dawała zadowalającewyniki w użytkowaniu.
Comparing the effectiveness of new methods of swarm optimization in comparison with knownmethods. Nature-inspired metaheuristic algorithms are becoming more and more popular in solving optimization problems. Thanks to their popularity, we can see new approaches and proposed solutions almost everyday. In this article, I will present a comparison that will show some of the most recent works in this fieldcompared to some algorithms considered as the basis of the field. The main goal was to compare the recently introduced swarm algorithms and determine when new solutions are actually faster and more precise. Inconclusion, are the new approaches tested better than the current, well-known and field-grounded algorithms?The algorithms considered in this paper are Particle Swarm Optimization, Artifical Bee Colony, Elephant Herding Optimization, Whale Optimization, and Grasshopper Optimization. Algorithms considered new inthis field were compared with two popular and well-known metaheuristic algorithms in terms of accuracy ofsolutions found and speed. According to the experimental results, most of the compared new algorithms gave satisfactory results in use.
Źródło:
Studia i Materiały Informatyki Stosowanej; 2021, 1; 47-50
1689-6300
Pojawia się w:
Studia i Materiały Informatyki Stosowanej
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-1 z 1

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies